中國(guó)種植業(yè)碳排放時(shí)空特征、空間關(guān)聯(lián)及影響因素

中圖分類號(hào)F323 文獻(xiàn)標(biāo)志碼A 文章編號(hào) 1002-2104（2025）06-0112-12

DOI：10.12062/cpre.20241123

近年來，伴隨著以 CO₂ 為主的溫室氣體排放不斷增加，越來越多的國(guó)家和地區(qū)開始關(guān)注氣候變暖與溫室氣體減排問題。中國(guó)政府一直深度參與全球氣候治理工作，并在政策層面予以了強(qiáng)力支持。2021年政府工作報(bào)告明確提出，“扎實(shí)做好碳達(dá)峰、碳中和各項(xiàng)工作”；2022年政府工作報(bào)告強(qiáng)調(diào)，“有序推進(jìn)碳達(dá)峰碳中和工作”；2024年政府工作報(bào)告則更進(jìn)一步，要求“大力發(fā)展綠色低碳經(jīng)濟(jì)”“積極穩(wěn)妥推進(jìn)碳達(dá)峰碳中和”。可見，大力推進(jìn)碳達(dá)峰碳中和已列入政府工作的重要議事日程，彰顯了中國(guó)政府的大國(guó)擔(dān)當(dāng)。

在推進(jìn)“雙碳”目標(biāo)實(shí)現(xiàn)的過程中，除了需對(duì)二、三產(chǎn)業(yè)進(jìn)行重點(diǎn)關(guān)注外，亦不可忽視具有“減排增匯”雙重功能的農(nóng)業(yè)部門。具體到農(nóng)業(yè)內(nèi)部，種植業(yè)因其產(chǎn)值所占比重大、生產(chǎn)受人類活動(dòng)影響大且自身減排潛力巨大，理應(yīng)作為農(nóng)業(yè)碳減排的首要突破口。而從國(guó)家政策層面來看，2022年6月，農(nóng)業(yè)農(nóng)村部與國(guó)家發(fā)展改革委聯(lián)合印發(fā)《農(nóng)業(yè)農(nóng)村減排固碳實(shí)施方案》，對(duì)未來中國(guó)農(nóng)業(yè)農(nóng)村減排固碳工作進(jìn)行了全面部署，明確了今后亟須開展的重點(diǎn)任務(wù)與重大行動(dòng)。其中，重點(diǎn)任務(wù)中的種植業(yè)節(jié)能減排、農(nóng)田固碳擴(kuò)容、農(nóng)機(jī)節(jié)能減排均與種植業(yè)緊密相關(guān)，10大行動(dòng)中的稻田甲烷減排、化肥減量增效、農(nóng)機(jī)綠色節(jié)能、農(nóng)田碳匯提升、秸稈綜合利用等也與種植業(yè)聯(lián)系密切。可見，大力推進(jìn)種植業(yè)碳減排將成為農(nóng)業(yè)農(nóng)村減排固碳的重要抓手，而準(zhǔn)確把握種植業(yè)碳排放的現(xiàn)狀特征及影響因素則是實(shí)現(xiàn)這一目標(biāo)的基本前提。基于此，本研究嘗試在重構(gòu)種植業(yè)碳排放測(cè)算指標(biāo)體系的基礎(chǔ)上，圍繞種植業(yè)碳排放時(shí)空特征、空間關(guān)聯(lián)性及影響因素展開深入探究，以期為種植業(yè)降碳減排政策的制定提供參考。

1文獻(xiàn)綜述

關(guān)于種植業(yè)碳排放的研究，早期主要聚焦基本測(cè)算與分析。例如，石玉瓊等1是國(guó)內(nèi)最早圍繞種植業(yè)碳排放開展研究的學(xué)者之一，其基于化肥、農(nóng)藥、農(nóng)膜、農(nóng)用機(jī)械等4個(gè)維度對(duì)陜西種植業(yè)生產(chǎn)過程中所產(chǎn)生的碳排放量進(jìn)行了估算，同時(shí)計(jì)算了其碳排放強(qiáng)度。田云等[2]、胡婉玲等[3]則先后圍繞中國(guó)種植業(yè)碳排放的時(shí)空特征展開了分析，發(fā)現(xiàn)國(guó)家層面碳排放量在經(jīng)歷了上升趨勢(shì)后于2015年達(dá)到頂峰，省級(jí)層面表現(xiàn)出了明顯差異。進(jìn)一步，郭旋等4、杜江等[5、丁寶根等分別對(duì)華中地區(qū)、糧食主產(chǎn)區(qū)以及長(zhǎng)江經(jīng)濟(jì)帶的種植業(yè)碳排放進(jìn)行測(cè)度，并分析了各自的時(shí)空演化特征。綜合結(jié)果表明，華中地區(qū)1994—2013年種植業(yè)碳排放總體呈上升趨勢(shì)，其中河南增幅要明顯高于湖北和湖南；糧食主產(chǎn)區(qū)1991—2016年種植業(yè)碳排放增加明顯，其中以水稻種植和農(nóng)業(yè)投入貢獻(xiàn)最大；長(zhǎng)江經(jīng)濟(jì)帶種植業(yè)碳排放整體經(jīng)歷了“先增后減”，于2014年達(dá)到峰值之后即表現(xiàn)出了持續(xù)下降態(tài)勢(shì)。Li等則以縣級(jí)行政區(qū)作為基本地理單元，創(chuàng)造性地使用多源數(shù)據(jù)隨機(jī)森林回歸生成了2000一2019年中國(guó)種植業(yè)碳排放強(qiáng)度的縣級(jí)數(shù)據(jù)集，發(fā)現(xiàn)縣域種植業(yè)碳排放強(qiáng)度存在明顯的空間異質(zhì)性，總體呈現(xiàn)“南部和東部高、西部與北部低\"的分布特征。

后期，學(xué)者們的研究主要圍繞以下兩個(gè)方面：一是種植業(yè)碳補(bǔ)償率測(cè)度及空間特性分析。吳昊玥等8、伍國(guó)勇等在完成中國(guó)種植業(yè)碳補(bǔ)償率測(cè)算的基礎(chǔ)上，探究了其區(qū)域差異及空間收斂性。結(jié)果顯示，中國(guó)種植業(yè)正處于“碳源型”向“碳匯型”過渡的階段，整體呈逐年增大的變動(dòng)趨勢(shì)，全國(guó)及東、中、西部條件 β 收斂顯著。董蕊等進(jìn)一步圍繞中國(guó)種植業(yè)碳補(bǔ)償率的發(fā)展?jié)摿﹂_展研究，發(fā)現(xiàn)不同情境下碳補(bǔ)償率表現(xiàn)出了不同趨勢(shì)，其中以強(qiáng)化節(jié)能減排發(fā)展情境下碳補(bǔ)償率的上升趨勢(shì)最為明顯，而強(qiáng)化農(nóng)資投入發(fā)展情境下碳補(bǔ)償率甚至?xí)霈F(xiàn)逐年下降態(tài)勢(shì)。二是特定因素對(duì)種植業(yè)碳排放影響的機(jī)理探討。Li等[11]、Shao等分別探究了農(nóng)場(chǎng)規(guī)模、極端氣溫對(duì)種植業(yè)碳排放的影響。結(jié)果顯示，農(nóng)場(chǎng)規(guī)模與種植業(yè)碳排放之間呈倒“U\"形關(guān)系，冷日指數(shù)與種植業(yè)碳排放呈正相關(guān)，而暖期持續(xù)指數(shù)和碳排放之間無顯著相關(guān)性。Wang等[13探究了農(nóng)業(yè)數(shù)字化對(duì)種植業(yè)碳排放強(qiáng)度的影響，發(fā)現(xiàn)農(nóng)業(yè)數(shù)字化可以顯著降低種植業(yè)碳排放強(qiáng)度且對(duì)相鄰省份也形成了抑制作用。陳衛(wèi)洪等[14實(shí)證檢驗(yàn)了數(shù)字經(jīng)濟(jì)發(fā)展對(duì)提高種植業(yè)碳排放效率的影響。結(jié)果顯示，數(shù)字經(jīng)濟(jì)發(fā)展對(duì)提高種植業(yè)碳排放效率具有顯著的正向作用，且表現(xiàn)出了明顯的空間異質(zhì)性。除此之外，一些學(xué)者還圍繞種植業(yè)碳生產(chǎn)率[15碳排放效率[16等問題展開了探討。結(jié)果表明，無論是中國(guó)種植業(yè)碳生產(chǎn)率還是長(zhǎng)江經(jīng)濟(jì)帶種植業(yè)碳排放效率，二者均提升較快但也存在明顯的區(qū)域差異。

縱覽已有文獻(xiàn)可知，目前關(guān)于種植業(yè)碳排放已形成較為豐碩的研究成果，涉及基本測(cè)算、時(shí)空特征分析、碳補(bǔ)償率分析以及影響因素等方面，為后續(xù)研究的深入開展奠定了基礎(chǔ)。但與此同時(shí)，當(dāng)前研究仍需進(jìn)一步完善，主要體現(xiàn)在兩個(gè)方面：一是目前常用的種植業(yè)碳排放測(cè)算指標(biāo)體系無論是細(xì)化指標(biāo)的選擇還是原始數(shù)據(jù)的搜集均存在不足。具體而言，對(duì)農(nóng)業(yè)能源利用碳排放的考察局限于柴油利用，缺乏對(duì)原煤、汽油、電力等其他能源的關(guān)注；同時(shí)，將柴油利用都?xì)w于種植業(yè)而并未對(duì)其進(jìn)行行業(yè)分割；上述不足必然會(huì)對(duì)最終測(cè)算結(jié)果產(chǎn)生影響。二是對(duì)種植業(yè)碳排放的基本現(xiàn)狀與典型特征缺少較為深入且全面的分析。具體表現(xiàn)為：現(xiàn)狀分析局限于總量比較，缺乏對(duì)其結(jié)構(gòu)及強(qiáng)度的探索；空間分析聚焦于地區(qū)差異比較，缺乏對(duì)其空間依賴性及空間異質(zhì)性的探究；影響因素分析局限于特定視角，缺乏相對(duì)全面的考量。為此，本研究首先基于重新構(gòu)建的測(cè)算指標(biāo)體系對(duì)中國(guó)及省際種植業(yè)碳排放量進(jìn)行測(cè)度，同時(shí)分析其在總量、強(qiáng)度及結(jié)構(gòu)方面所呈現(xiàn)的時(shí)空差異；其次，借助空間自相關(guān)模型考察種植業(yè)碳排放強(qiáng)度的空間依賴性與空間異質(zhì)性；再次，利用雙向固定效應(yīng)模型剖析影響種植業(yè)碳排放強(qiáng)度變化的關(guān)鍵性因素；最后，根據(jù)研究結(jié)論提出推進(jìn)種植業(yè)降碳減排的對(duì)策建議。

本研究可能的邊際貢獻(xiàn)集中體現(xiàn)在：一是構(gòu)建了一個(gè)更全面的種植業(yè)碳排放測(cè)算指標(biāo)體系，其不僅涵蓋農(nóng)用物資投入和水稻種植兩大碳源，還綜合考慮種植業(yè)生產(chǎn)過程中各類能源消耗引致的碳排放；二是除了對(duì)各省份種植業(yè)碳排放量和強(qiáng)度現(xiàn)狀進(jìn)行分析外，還需要進(jìn)一步探討種植業(yè)碳排放的結(jié)構(gòu)性特征；三是在討論種植業(yè)碳排放影響因素時(shí)并未局限在單一視角，而是綜合考慮了與農(nóng)業(yè)生產(chǎn)相關(guān)的多個(gè)因素。

2研究方法與數(shù)據(jù)來源

2.1種植業(yè)碳排放測(cè)算方法

目前，雖有不少學(xué)者針對(duì)種植業(yè)碳排放進(jìn)行了測(cè)度與分析，但各自的測(cè)算指標(biāo)體系存在較大區(qū)別。其中，石玉瓊等僅僅考察了化肥、農(nóng)藥、農(nóng)膜、農(nóng)用機(jī)械等4類碳源，其指標(biāo)選擇不夠全面，且基于農(nóng)用機(jī)械總動(dòng)力考察碳排放的做法也不夠科學(xué)；田云等從農(nóng)用物資投入（涉及化肥、農(nóng)藥、農(nóng)膜、農(nóng)用柴油以及灌溉）、土壤NO排放、水稻CH排放等3個(gè)方面對(duì)種植業(yè)碳排放進(jìn)行了考察；吳昊玥等[8構(gòu)建的指標(biāo)體系與其類似，但未考慮土壤排放而增加了秸稈燃燒與汽油利用的相關(guān)指標(biāo)。上述指標(biāo)體系的邊界得到了極大拓展，但同時(shí)也存在不足，如土壤 N₂0 排放與化肥施用碳排放存在重疊、秸稈燃燒數(shù)量較難確定致使其碳排放結(jié)果存疑、能源利用考慮不全面等。以丁寶根等、胡婉玲等3、伍國(guó)勇等9、黃杰等15等為代表的更多學(xué)者從化肥、農(nóng)藥、農(nóng)膜、農(nóng)用柴油、翻耕、灌溉等6個(gè)方面對(duì)種植業(yè)碳排放進(jìn)行測(cè)算，雖簡(jiǎn)單易行但指標(biāo)選擇寬度明顯不足，從而導(dǎo)致對(duì)碳排放量的低估。

鑒于此，本研究嘗試從3個(gè)方面對(duì)種植業(yè)碳排放量進(jìn)行重新測(cè)度：一是農(nóng)用物資投入碳排放。主要考察化肥、農(nóng)藥以及農(nóng)膜使用所產(chǎn)生的溫室氣體排放，其排放系數(shù)可參照田云等的研究。二是水稻種植碳排放。具體表現(xiàn)為，水稻田中存在的厭氧菌在將稻田底部有機(jī)物分解成簡(jiǎn)單化合物的同時(shí)會(huì)產(chǎn)生大量甲烷；而鑒于各地水稻的插秧時(shí)間與生長(zhǎng)周期并不相同，且存在早稻、中稻和晚稻的區(qū)別，實(shí)際分析中將借鑒閔繼勝等18所提供的考慮了生長(zhǎng)周期與地區(qū)差異的排放系數(shù)。三是農(nóng)業(yè)能源利用碳排放。主要考察種植業(yè)生產(chǎn)過程中各類能源消耗所導(dǎo)致的碳排放，具體涵蓋原煤、其他洗煤、煤制品、焦炭、汽油、柴油、燃料油、液化石油氣、天然氣、熱力、電力等11類能源，以上碳源碳排放系數(shù)的計(jì)算方法參照蔣金荷[19]、田云等20的研究。需要說明的是，鑒于農(nóng)林牧漁業(yè)均涉及能源利用，且相關(guān)年鑒只給出了籠統(tǒng)數(shù)據(jù)而并未根據(jù)產(chǎn)業(yè)部門進(jìn)行細(xì)分，故而測(cè)算過程中將基于種植業(yè)產(chǎn)值的實(shí)際占比情況對(duì)其能源碳排放進(jìn)行考察。據(jù)此，構(gòu)建種植業(yè)碳排放測(cè)算公式：

式中： AC?AC₁?AC₂ 與 AC₃ 依次表示種植業(yè)碳排放、農(nóng)用物資投入碳排放、水稻種植碳排放和農(nóng)業(yè)能源利用碳排放； T_a，δ_a 分別指代各類農(nóng)用物資的投入數(shù)量及對(duì)應(yīng)的碳排放系數(shù)； T_b，δ_b 分別代表不同成熟期下的水稻種植面積及其所對(duì)應(yīng)的碳排放系數(shù)； T_c?δ_c 分別表示各類能源的消耗數(shù)量及其所對(duì)應(yīng)的碳排放系數(shù)； 表示種植業(yè)產(chǎn)值占農(nóng)林牧漁總產(chǎn)值的比重。實(shí)際分析中，將參照田云等[20]的做法，將碳、甲烷統(tǒng)一轉(zhuǎn)換成標(biāo)準(zhǔn)二氧化碳。

2.2 空間關(guān)聯(lián)性分析

空間自相關(guān)是一種度量空間數(shù)據(jù)分布特征和相互關(guān)系的統(tǒng)計(jì)方法，通常用于描述某一位置上的觀測(cè)值是否受到鄰近位置上觀測(cè)值的影響，分為全局空間自相關(guān)和局部空間自相關(guān)。其中，全局空間自相關(guān)是對(duì)整個(gè)研究區(qū)域的空間數(shù)據(jù)進(jìn)行綜合測(cè)度，以反映其是否存在集聚效應(yīng)以及此類趨勢(shì)的強(qiáng)度和顯著性。實(shí)際研究中雖可通過多個(gè)指標(biāo)來體現(xiàn)，但以莫蘭指數(shù)最為常用。由于不受整體生產(chǎn)規(guī)模影響，強(qiáng)度相比總量更能客觀反映一個(gè)地區(qū)的種植業(yè)碳排放水平，為此本研究將采用全局莫蘭指數(shù)對(duì)全國(guó)各省份種植業(yè)碳排放強(qiáng)度的空間相關(guān)性進(jìn)行檢驗(yàn)，具體公式如下：

式中： I_a 為全局莫蘭指數(shù); W_ij 為空間權(quán)重矩陣； x_i，x_j 為 x 在對(duì)應(yīng)空間單元 i 和j上的取值； 表示 x 的平均值， 為樣本方差， 表示省份數(shù)量， i，j 代表不同省份。參照田云等[21]和計(jì)小青等[22]的做法，構(gòu)建地理距離空間權(quán)重矩陣對(duì)非鄰接省份的空間作用進(jìn)行分析，即當(dāng)省份相鄰時(shí)權(quán)重值取1，非相鄰時(shí)則取0。全局莫蘭指數(shù)的取值范圍為[-1，1]，其絕對(duì)值越接近于1表明各省份間的空間相關(guān)程度越高，反之則越低。當(dāng)莫蘭指數(shù)大于0、小于0和等于0時(shí)，分別表示空間正相關(guān)性、負(fù)相關(guān)性以及隨機(jī)性。同時(shí)，利用 Z_?I 對(duì)全局莫蘭指數(shù)進(jìn)行檢驗(yàn)，其公式為：

式中： Z_ι 表示標(biāo)準(zhǔn)化后的全局莫蘭指數(shù)； I_a 為通過式（2）得到的全局莫蘭指數(shù)觀測(cè)值； E（I_a） 為全局莫蘭指數(shù)的期望值， ）為全局莫蘭指數(shù)的方差， var（I_a）=E（I_a²）-E（I_a）²;N（μ，σ²） 表示正態(tài)分布， μ 為分布的均值； σ² 為分布的方差。

局部空間自相關(guān)側(cè)重考察研究區(qū)域中各個(gè)地區(qū)與其鄰近地區(qū)之間的空間差異程度，用于彌補(bǔ)全局自相關(guān)在此方面存在的欠缺。實(shí)際研究中同樣可通過多個(gè)指標(biāo)進(jìn)行呈現(xiàn)，但以局部莫蘭指數(shù)運(yùn)用最為廣泛。參照一般做法，本研究也將使用局部莫蘭指數(shù)度量局域內(nèi)各省份種植業(yè)碳排放強(qiáng)度的集聚或者離散效應(yīng)，具體公式如下：

式中， I_b 表示局部莫蘭指數(shù)，其他符號(hào)的基本含義與前文相同。對(duì)于省份i，可在式（4）的基礎(chǔ)上作進(jìn)一步處理：

式中 ，I_bi 表示省份i的局域相關(guān)性系數(shù)， 和 Z_j 分別為原矩陣和種植業(yè)碳排放強(qiáng)度實(shí)施標(biāo)準(zhǔn)化處理后的數(shù)值。當(dāng) I_bi 和 Z_i 值均大于0時(shí)，表示該地區(qū)與鄰近地區(qū)的種植業(yè)碳排放強(qiáng)度均處于較高水平，屬于高-高（H-H）集聚區(qū)，反之則為低-低（L-L）集聚區(qū)；當(dāng) I_bi 值大于0而 Z_i 值小于0時(shí)，表示該地區(qū)種植業(yè)碳排放強(qiáng)度相對(duì)較高而鄰近地區(qū)卻總體偏低，屬于高-低（H-L）集聚區(qū)，反之則為低-高（L-H）集聚區(qū)。

2.3 影響因素分析

本研究將基于中國(guó)30個(gè)省份2005—2022年的省級(jí)面板數(shù)據(jù)對(duì)影響種植業(yè)碳排放強(qiáng)度的主要因素進(jìn)行考察。結(jié)合已有研究基礎(chǔ)及種植業(yè)碳排放的構(gòu)成特征，擬從以下7個(gè)方面確定自變量。

（1）種植業(yè)規(guī)模。種植業(yè)規(guī)模的不同可能衍生各種結(jié)局，比如規(guī)模偏小情形下，農(nóng)民可能對(duì)農(nóng)業(yè)生產(chǎn)不夠重視致使其效益偏低，也可能通過精耕細(xì)作方式提高其經(jīng)濟(jì)效益，而規(guī)模偏大情形下同樣可能存在上述情況。不論何種情形下種植業(yè)規(guī)模均有可能對(duì)種植業(yè)碳排放水平產(chǎn)生影響，故而有必要將種植業(yè)規(guī)模作為待考察因素，具體以第一產(chǎn)業(yè)從業(yè)人員人均播種面積來表征。

（2）種植結(jié)構(gòu)。糧食作物種植與經(jīng)濟(jì)作物種植在投入與產(chǎn)出上會(huì)存在一定差別。具體而言，糧食作物種植的農(nóng)用物資投入呈現(xiàn)常規(guī)、模式化特征，經(jīng)濟(jì)作物種植則表現(xiàn)出專業(yè)、精細(xì)化特點(diǎn)，且同等面積下糧食作物的產(chǎn)出水平一般弱于經(jīng)濟(jì)作物，如此勢(shì)必會(huì)對(duì)種植業(yè)碳排放強(qiáng)度產(chǎn)生影響，故而有必要將種植結(jié)構(gòu)作為待檢驗(yàn)因素，具體以糧食播種面積與總播種面積的比值表征。

（3）農(nóng)業(yè)生產(chǎn)力水平。農(nóng)業(yè)生產(chǎn)力水平高低可能與個(gè)人經(jīng)營(yíng)規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)特征、生產(chǎn)效率水平等多個(gè)因素相關(guān)，但無論哪一種情形均可能影響到農(nóng)業(yè)產(chǎn)出及其碳排放，致使種植業(yè)碳排放強(qiáng)度發(fā)生變化，故而有必要將農(nóng)業(yè)生產(chǎn)力水平作為待檢驗(yàn)變量，具體以第一產(chǎn)業(yè)從業(yè)人員人均農(nóng)業(yè)增加值表征。

（4）農(nóng)村人力資本水平。人力資本水平的不同顯然會(huì)對(duì)農(nóng)戶有效信息的獲取、生產(chǎn)決策的制定以及對(duì)新理念新思想的認(rèn)同產(chǎn)生影響，進(jìn)而影響到農(nóng)業(yè)生產(chǎn)行為，使得種植業(yè)碳排放水平受到影響。基于此，本研究也嘗試將農(nóng)村人力資本作為待檢驗(yàn)變量。具體以農(nóng)村6歲以上總?cè)丝谑芙逃晗薜募訖?quán)平均數(shù)作為衡量依據(jù)。

（5）農(nóng)業(yè)機(jī)械化水平。農(nóng)用機(jī)械的廣泛運(yùn)用可以提高農(nóng)業(yè)生產(chǎn)效率，促進(jìn)單位面積產(chǎn)出增加，但同時(shí)也會(huì)提高柴油、電力等的使用量而導(dǎo)致碳排放量增加，進(jìn)而影響到種植業(yè)碳排放水平，為此有必要將農(nóng)業(yè)機(jī)械化水平作為待檢驗(yàn)因素，具體以第一產(chǎn)業(yè)從業(yè)人員人均農(nóng)業(yè)機(jī)械動(dòng)力表示。

（6）城鎮(zhèn)化水平。城市化進(jìn)程的持續(xù)推進(jìn)通常意味著農(nóng)村人口的減少，從而客觀上促進(jìn)農(nóng)業(yè)生產(chǎn)的規(guī)模化與集約化，進(jìn)而對(duì)種植業(yè)碳排放強(qiáng)度產(chǎn)生影響，為此也應(yīng)將城鎮(zhèn)化水平作為待檢驗(yàn)因素，具體以城鎮(zhèn)人口數(shù)量與當(dāng)?shù)乜側(cè)丝跀?shù)量之比表征此變量。

（7）土地流轉(zhuǎn)水平。土地流轉(zhuǎn)活動(dòng)的增加有助于推進(jìn)農(nóng)業(yè)生產(chǎn)的規(guī)模化與機(jī)械化，在一定程度上可以提高經(jīng)濟(jì)效益，不過同時(shí)也可能導(dǎo)致碳排放量增加，進(jìn)而對(duì)種植業(yè)碳排放強(qiáng)度產(chǎn)生影響，故而也應(yīng)將土地流轉(zhuǎn)水平作為解釋變量，具體以家庭承包耕地流轉(zhuǎn)總面積與家庭承包耕地總面積之比表示。

實(shí)際分析中，參考陳陽等[23和羅興等[24的研究，構(gòu)建雙向固定效應(yīng)模型對(duì)種植業(yè)碳排放強(qiáng)度的影響因素進(jìn)行回歸分析，具體模型構(gòu)建如下：

式中， 為種植業(yè)碳排放強(qiáng)度， i 和 Φ_t 表示第 i 個(gè)省份和第 χ_t 年 ，β₀，β_j 分別表示截距項(xiàng)和待估系數(shù)， ?，X_j，u 則為影響因素 ，μ_i，γ_i 分別代表個(gè)體固定效應(yīng)和時(shí)間固定效應(yīng)， 為隨機(jī)誤差項(xiàng)。

2.4數(shù)據(jù)來源及處理

本研究以2005—2022年中國(guó)30個(gè)省份的面板數(shù)據(jù)作為研究樣本，鑒于數(shù)據(jù)可得性原因，研究未涉及西藏及香港、澳門、臺(tái)灣。其中，種植業(yè)碳排放測(cè)算所涉及的各類農(nóng)用物資投入數(shù)量與水稻播種面積均出自歷年《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》，各類能源消耗數(shù)量則出自歷年《中國(guó)能源統(tǒng)計(jì)年鑒》，以上3類數(shù)據(jù)均以當(dāng)年的實(shí)際值為準(zhǔn)。各變量獲取所需要的絕大多數(shù)原始數(shù)據(jù)都出自歷年《中國(guó)統(tǒng)計(jì)年鑒》和《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》，僅土地流轉(zhuǎn)相關(guān)數(shù)據(jù)出自歷年《中國(guó)農(nóng)村經(jīng)營(yíng)管理統(tǒng)計(jì)年報(bào)》。需要特別說明的是，計(jì)算種植業(yè)碳排放強(qiáng)度與農(nóng)業(yè)生產(chǎn)力水平之前，已經(jīng)以2005年為基期對(duì)種植業(yè)產(chǎn)值和農(nóng)業(yè)增加值進(jìn)行了不變價(jià)處理。各變量的描述性統(tǒng)計(jì)結(jié)果詳見表1。

3研究結(jié)果與分析

3.1中國(guó)種植業(yè)碳排放時(shí)空特征

3.1.1種植業(yè)碳排放時(shí)序演進(jìn)

測(cè)算中國(guó)2005一2022年種植業(yè)碳排放總量并明晰其構(gòu)成特點(diǎn)，而后以農(nóng)業(yè)產(chǎn)值（即種植業(yè)產(chǎn)值）作為參照計(jì)算碳排放強(qiáng)度，相關(guān)結(jié)果見表2。從變化趨勢(shì)上看，樣本考察期內(nèi)中國(guó)種植業(yè)碳排放量變化趨勢(shì)表現(xiàn)出了“先增后減\"的兩階段特征。具體而言，2005一2017年為第一階段，種植業(yè)碳排放量處于持續(xù)上升態(tài)勢(shì)，并于2017年達(dá)到峰值60134.21萬t，其成因主要源于農(nóng)用物資投入量與農(nóng)業(yè)能源利用量的增加。2018一2022年為第二階段，種植業(yè)碳排放量表現(xiàn)出了持續(xù)下降態(tài)勢(shì)，2022年已基本降至2009年的水平，化肥、農(nóng)藥、農(nóng)膜等農(nóng)用物資以及柴油、汽油、電力等農(nóng)業(yè)能源投入的逐步減少促進(jìn)了該階段種植業(yè)碳減排。

表1各變量的描述性統(tǒng)計(jì)結(jié)果

從構(gòu)成特點(diǎn)來看，2022年所產(chǎn)生的54859.24萬t碳排放中，農(nóng)用物資投人、農(nóng)業(yè)能源利用與水稻種植所引發(fā)的碳排放量依次為23326.22萬 t，7 289.61 萬t和24243.41萬t，占比分別為 42.52% 、13. 29% 和44. 19% 。具體而言： ① 考察期內(nèi)，農(nóng)用物資投入與水稻種植一直起著主導(dǎo)作用，其中農(nóng)用物資投入碳排放在所有年份占比均超過 42% ，且在2007—2019這13個(gè)年份中處于第一，整個(gè)考察期內(nèi)其所占份額甚至略有提升。 ② 水稻種植碳排放在所有年份占比均超過 39% ，且在2005—2006年和2020一2022年等5個(gè)年份居于第一，整個(gè)考察期內(nèi)其所占比重略微下降。 ③ 農(nóng)業(yè)能源碳排放占比雖從未達(dá)到14% ，但其份額總體呈上升趨勢(shì)。

種植業(yè)碳排放強(qiáng)度則一直處于下降態(tài)勢(shì)，僅年際降幅表現(xiàn)出一定差異。2022年中國(guó)種植業(yè)碳排放強(qiáng)度為1.35t/萬元，相比2005年累計(jì)下降了 48.28% ，年平均降速高達(dá) 3.80% 。

3.1.2種植業(yè)碳排放空間分布

本研究基于前文構(gòu)建的種植業(yè)碳排放測(cè)算指標(biāo)體系對(duì)中國(guó)各省份種植業(yè)碳排放量進(jìn)行測(cè)算并計(jì)算其強(qiáng)度，限于文章篇幅，表3僅列出了2005年和2022年的結(jié)果，圖1則展示了2005年和2022年中國(guó)各省份種植業(yè)碳排放量的空間分布情況。由于各省份種植業(yè)碳排放數(shù)據(jù)差異較大，本研究參考溫濤等25的做法，采用“自然間斷點(diǎn)分級(jí)法\"將同年份的種植業(yè)碳排放數(shù)據(jù)分為5組（依據(jù)碳排放數(shù)據(jù)大小由低到高分別定義為低值區(qū)、中低值區(qū)、中值區(qū)、中高值區(qū)與高值區(qū)），以縮小各分組內(nèi)部省份間的種植業(yè)碳排放差異。

就種植業(yè)碳排放量而言，2022年排在首位的省份是湖南，達(dá)5094.48萬t，是唯一的“5000萬t”俱樂部成員；相對(duì)應(yīng)地，排放最少的地區(qū)是青海，僅為45.64萬t，只相當(dāng)于湖南的 0.90% 。相比于基期，2022年有12個(gè)省份種植業(yè)碳排放量明顯減少，其中以北京減少幅度最大，高達(dá)59.16% ；余下18個(gè)省份種植業(yè)碳排放量均有所增加且以新疆增加幅度最大，高達(dá)97. 75% 。空間分布上，考察期內(nèi)高值區(qū)與低值區(qū)省份基本穩(wěn)定，其余省份則出現(xiàn)了一定的變動(dòng)，總體呈現(xiàn)出“南方高、北方低\"的分布格局。具體來說： ①2022 年，北京、天津、上海、海南、寧夏、青海6省份位于低值區(qū)，整體格局與基期一致。 ②2022 年，吉林、遼寧、甘肅、陜西、山西、重慶、貴州、福建8省份位于中低值區(qū)；相較于基期，新疆、內(nèi)蒙古、云南3省份由中低值區(qū)轉(zhuǎn)為中值區(qū)。 ③2022 年，新疆、內(nèi)蒙古、河北、浙江、云南5省份位于中值區(qū)；相較于基期，黑龍江由中值區(qū)轉(zhuǎn)為中高值區(qū)，福建則由中值區(qū)轉(zhuǎn)為中低值區(qū)。 ④2022 年，黑龍江、山東、河南、四川、廣東、廣西6省份位于中高值區(qū)，相比基期除黑龍江外均為原有省份。 ⑤2022 年，江蘇、安徽、湖北、湖南、江西5省份位于高值區(qū)，整體格局與基期一致，仍集中分布在長(zhǎng)江中下游地區(qū)。

表2中國(guó)種植業(yè)碳排放總量、結(jié)構(gòu)及強(qiáng)度

表330省份種植業(yè)碳排放總量及強(qiáng)度

注：變動(dòng)率I、變動(dòng)率I分別指2022年種植業(yè)碳排放總量與種植業(yè)碳排放強(qiáng)度相比2005年的變化情況

就種植業(yè)碳排放強(qiáng)度來看，2022年江西居于第一，達(dá)到了4.04t/萬元；而青海排在最后，僅為0.52t萬元，只相當(dāng)于榜首江西的 12.87% 。與2005年相比，除上海之外的所有省份種植業(yè)碳排放強(qiáng)度均表現(xiàn)出下降態(tài)勢(shì)，其中以貴州降幅最大，高達(dá) 66.98% ；上海種植業(yè)碳排放強(qiáng)度雖有增加但幅度較小，僅為 3.30% 。空間分布上，考察期內(nèi)高值區(qū)省份基本穩(wěn)定，其余省份則表現(xiàn)出一定的變動(dòng)，總體呈現(xiàn)出“南方高、北方低\"的分布格局。具體而言： ①2022 年，北京、河北、山東、青海4省份位于低值區(qū)；相較于基期，山東由中低值區(qū)轉(zhuǎn)為低值區(qū)。 ②2022 年，天津、吉林、遼寧、新疆、甘肅、寧夏、陜西、河南、福建、海南、四川、貴州、云南13省份位于中低值區(qū)；相較于基期，四川、貴州、福建、海南4省份由中值區(qū)轉(zhuǎn)為中低值區(qū)。 ③2022 年，黑龍江、內(nèi)蒙古、山西、重慶、浙江、廣東、廣西7省份位于中值區(qū)；相較于基期，黑龍江、內(nèi)蒙古兩省份由中低值區(qū)轉(zhuǎn)為中值區(qū)，廣西則由中高值區(qū)轉(zhuǎn)為中值區(qū)。 ④2022 年，上海、江蘇、安徽、湖北、湖南5省份位于中高值區(qū)，空間上集中分布在長(zhǎng)江中下游地區(qū)；相較于基期，上海由中值區(qū)轉(zhuǎn)為中高值區(qū)。⑤2022 年，僅江西一地位于高值區(qū)，與基期情形一致。

中國(guó)幅員遼闊，在地形地貌復(fù)雜多樣的同時(shí)還跨越了熱帶、亞熱帶、暖溫帶、中溫帶、寒溫帶、青藏高寒區(qū)等6類氣候帶以及熱帶季風(fēng)、亞熱帶季風(fēng)、溫帶季風(fēng)、溫帶大陸性以及高原山地等不同氣候類型，各地農(nóng)業(yè)生產(chǎn)條件與產(chǎn)業(yè)構(gòu)成存在明顯差異。為進(jìn)一步明晰各地區(qū)種植業(yè)碳排放結(jié)構(gòu)，本研究基于各自碳排放的實(shí)際構(gòu)成情況將30個(gè)省份劃分為4種類型（表4）： ① 農(nóng)資投人驅(qū)動(dòng)型，即指種植業(yè)碳排放以農(nóng)用物資投入碳排放為主（占比超過50% ）而農(nóng)業(yè)能源利用與水稻種植碳排放均占比較低，包含北京、河北、山西等14個(gè)省份，覆蓋了北方絕大多數(shù)地區(qū)，耕地以旱地為主，水稻種植較少，同時(shí)不少地方因人地矛盾突出、土地較為貧瘠等原因?qū)省⑥r(nóng)藥、農(nóng)膜形成了較強(qiáng)依賴，導(dǎo)致農(nóng)資投人碳排放所占比重較高。

② 水稻種植驅(qū)動(dòng)型，即指種植業(yè)碳排放以水稻種植碳排放為主（占比超過 50% 而農(nóng)資投入及農(nóng)業(yè)能源利用碳排放均占比較低，包含上海、江蘇、浙江等10個(gè)省份，集中分布于華東、華中和華南地區(qū)，以水稻種植為主、其他糧食經(jīng)濟(jì)作物種植為輔，由此導(dǎo)致水稻種植碳排放占比較高。③ 雙因素驅(qū)動(dòng)型，即指種植業(yè)碳排放主要源于兩個(gè)領(lǐng)域（二者占比均高于 35% 而剩下領(lǐng)域占比較低（低于20% ），包含天津、海南、重慶、四川4省份，其中天津作為直轄市，種植業(yè)規(guī)模整體雖小但農(nóng)用機(jī)械使用頻率較高，故而農(nóng)用物資投入與農(nóng)業(yè)能源利用碳排放占比較為接近；其余3省份種植業(yè)碳排放主要源自農(nóng)用物資投入與水稻種植，其原因在于雖為南方省份且糧食作物也以水稻為主，但山地、丘陵的廣泛分布使其所占比重要低于華中、華東諸省。 ④ 均衡型，即指種植業(yè)碳排放在農(nóng)用物資投入、農(nóng)業(yè)能源利用及水稻種植3個(gè)領(lǐng)域所占比重較為接近（均低于 40% 但高于 25% ），包含黑龍江、貴州二省，其中前者作物結(jié)構(gòu)相對(duì)單一，以玉米、大豆、水稻等為主，且相對(duì)人少地多，對(duì)農(nóng)用機(jī)械形成較強(qiáng)依賴；后者注重特色高效農(nóng)業(yè)發(fā)展，水稻占有一定比重但要明顯低于華中、華東諸省，同時(shí)受限于以山地、丘陵為主的地形，農(nóng)業(yè)生產(chǎn)中對(duì)能源形成一定依賴。

圖12005年、2022年種植業(yè)碳排放量及碳排放強(qiáng)度空間分布

注：該圖基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號(hào)為GS（2023）2767號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無修改。圖（a）、圖（b）單位為萬t，圖（c）、圖（d）單位為v萬元。

3.2中國(guó)種植業(yè)碳排放空間關(guān)聯(lián)性分析

3.2.1空間依賴性分析

基于式（2）測(cè)算2005—2022年中國(guó)種植業(yè)碳排放強(qiáng)度的全局莫蘭指數(shù)值并考察其顯著性特征，相關(guān)結(jié)果見表5。從中不難發(fā)現(xiàn)，種植業(yè)碳排放強(qiáng)度的全局莫蘭指數(shù)值在整個(gè)考察期內(nèi)都高于0.33且均在 1% 水平下通過顯著性檢驗(yàn)。由此表明，2005年以來中國(guó)種植業(yè)碳排放強(qiáng)度一直存在明顯的空間依賴性，即碳排放強(qiáng)度較高的省份通常與其他較高省份相鄰，而碳排放強(qiáng)度較低的省份周邊通常伴有其他較低省份。具體到不同年份，莫蘭指數(shù)值表現(xiàn)出了“持續(xù)下降一增減起伏一持續(xù)下降\"的3階段特征。其中，2005—2012年為第一階段，莫蘭指數(shù)值由0.440降至0.364，累計(jì)降幅為 17.27% ；2013—2018年為第二階段，莫蘭指數(shù)值經(jīng)歷升降由0.371變?yōu)?.365；2019一2022年為第三階段，莫蘭指數(shù)值連續(xù)3年下降，由0.357降至0.335，累計(jì)降幅為 6.16% 。整體而言，2005年以來中國(guó)種植業(yè)碳排放強(qiáng)度的空間依賴性雖經(jīng)歷了“先減弱、而后反復(fù)、最后再減弱”的變化軌跡，但其一直存在。

3.2.2空間異質(zhì)性分析

基于式（4）測(cè)算2005—2022年中國(guó)種植業(yè)碳排放強(qiáng)度的局部莫蘭指數(shù)。為了方便比較，本研究選定2005、2010、2015、2020及2022年5個(gè)關(guān)鍵年份，對(duì)其種植業(yè)碳排放強(qiáng)度的局部莫蘭散點(diǎn)圖進(jìn)行分析，以明確中國(guó)30個(gè)省份種植業(yè)碳排放強(qiáng)度的空間關(guān)聯(lián)性并揭示其局部空間聚類情況。為了更為準(zhǔn)確地展示各類情形所包括的具體省份，將相關(guān)結(jié)果匯總至表6。

表430省份種植業(yè)碳排放結(jié)構(gòu)及類型劃分

表52005一2022年中國(guó)種植業(yè)碳排放強(qiáng)度全局莫蘭指數(shù)統(tǒng)計(jì)值

由表6可以看出，考察期內(nèi)中國(guó)種植業(yè)碳排放強(qiáng)度局部集聚的分布形態(tài)雖存在一定不同，但在任何年份均是多數(shù)省份表現(xiàn)出高-高集聚或低-低集聚特征。其中，初期位于高-高集聚和低-低集聚的省份數(shù)量較為接近，但后期隨著“一減一增”二者所包含省份數(shù)量差距明顯。由此揭示，中國(guó)種植業(yè)碳排放強(qiáng)度的空間集聚逐步由兩極分化演變?yōu)閱我粚傩浴Ｏ啾榷裕幵诘?高集聚和高-低集聚的省份在多數(shù)情況下數(shù)量較少，二者之和所占比例多在省份總數(shù)的 20% 及以下。

具體而言，高-高集聚區(qū)在2005年包含上海、江蘇、浙江、安徽、福建、江西、湖北、湖南、廣東、廣西、海南、重慶、貴州13省份，集中分布于華東、華中、華南和西南地區(qū)，水稻種植占比較高是導(dǎo)致上述省份碳排放強(qiáng)度偏高的主要?jiǎng)右颉?010年，福建、廣東兩省由于自身產(chǎn)業(yè)結(jié)構(gòu)調(diào)整及生產(chǎn)力水平提升，其碳排放強(qiáng)度下降，均轉(zhuǎn)為低-高集聚，余下11省份保持不變。2015年，海南、重慶、貴州3省份同時(shí)轉(zhuǎn)為低-高集聚，使得高-高集聚所包含省份數(shù)量進(jìn)一步降至8個(gè)。2020年與2022年情形一致，受周邊省份種植業(yè)碳排放強(qiáng)度普遍下降的影響，廣西轉(zhuǎn)為高-低集聚，使得高-高集聚區(qū)所包含省份總數(shù)最終停留在7個(gè)。

低-低集聚區(qū)在2005年包含北京、天津、河北、山西、內(nèi)蒙古、遼寧、吉林、黑龍江、山東、陜西、甘肅、青海、寧夏、新疆14省份，集中分布于華北、東北和西北地區(qū)，復(fù)種指數(shù)偏低在一定程度上降低了農(nóng)用物資投入強(qiáng)度，且水稻種植占比偏少，使得上述地區(qū)種植業(yè)碳排放強(qiáng)度整體較低。2010年，山西由于自身情形發(fā)生變化轉(zhuǎn)為高-低集聚，其他13個(gè)省份維持不變。2015年，伴隨著重慶、貴州、云南等省份情形的變化，四川由高-低集聚變?yōu)榈?低集聚，同時(shí)內(nèi)蒙古、黑龍江由于種植業(yè)碳排放強(qiáng)度相對(duì)水平的提高轉(zhuǎn)為高-低集聚，從而使得低-低集聚所包含省份數(shù)量降至12個(gè)。2020年與2022年情形相同，但相較于2015年則變化較大，具體而言：山西、內(nèi)蒙古由高-低集聚轉(zhuǎn)變而來，重慶、貴州、云南由低-高集聚轉(zhuǎn)變而來，低-低集聚區(qū)所包含省份總數(shù)最終停留在17個(gè)。

相比較而言，低-高集聚和高-低集聚所含省份數(shù)量一直較少，多介于2～4個(gè)且從未超過7個(gè)。其中，低-高集聚區(qū)在2005年僅包含河南、四川、云南3省。2010年福建、廣東由高-高集聚轉(zhuǎn)變而來，其所包含省份數(shù)量增至5個(gè)；2015年在四川轉(zhuǎn)出的同時(shí)海南、重慶、貴州均由高-高集聚轉(zhuǎn)變而來，使其所包含省份數(shù)量進(jìn)一步增至7個(gè)；2020年和2022年情形一致，隨著重慶、貴州、云南的同時(shí)轉(zhuǎn)出，使得低-高集聚區(qū)所含省份數(shù)量最終為4個(gè)，且僅河南1省始終處于此列。其中，福建、廣東、海南3省的農(nóng)作物播種面積相對(duì)較小且鄰近江西、湖南兩大糧食主產(chǎn)區(qū)，河南雖為糧食主產(chǎn)區(qū)但相較于鄰近的安徽、湖北兩省，其水稻種植面積較小。高-低集聚區(qū)2005年未包含任何省份；2010年僅包含山西1省；2015年內(nèi)蒙古、黑龍江由低-低集聚區(qū)轉(zhuǎn)變而來，使之所包含省份數(shù)量一度上升至3個(gè)；2020年和2022年情形相同，山西、內(nèi)蒙古重回低-低集聚，廣西則由高-高集聚轉(zhuǎn)變而來，高-低集聚區(qū)所包含省份數(shù)量最終停留在2個(gè)。其中，廣西水熱條件優(yōu)越，復(fù)種指數(shù)較高，而與其鄰近的云貴高原地區(qū)的農(nóng)業(yè)生產(chǎn)條件相對(duì)較差。此外，黑、吉、遼3省雖同處東北平原，但黑龍江的耕地面積和糧食產(chǎn)量遠(yuǎn)高于鄰近的吉林、遼寧兩省，農(nóng)用物資投入量相對(duì)較高。

表6中國(guó)30省份種植業(yè)碳排放強(qiáng)度局部空間聚類情況

總體而言，考察期內(nèi)低-低集聚所包含省份數(shù)量處于增長(zhǎng)態(tài)勢(shì)且東北、華北、西南、西北逐步連成一片，其占省份總數(shù)的比重接近 60% ，反映了當(dāng)前越來越多的地區(qū)種植業(yè)碳排放強(qiáng)度處于相對(duì)較低水平，減排成效較為突出。與此同時(shí)，2022年與2020年局部空間聚類情況完全一致，則表明當(dāng)前中國(guó)30個(gè)省份種植業(yè)碳排放強(qiáng)度的集聚狀態(tài)已基本趨于穩(wěn)定。

3.3中國(guó)種植業(yè)碳排放影響因素分析

表7報(bào)告了種植業(yè)碳排放強(qiáng)度與若干待檢測(cè)因素的回歸結(jié)果，其中列（1）展示的是雙向固定效應(yīng)模型的估計(jì)結(jié)果，列（2）則展示了混合OLS模型的估計(jì)結(jié)果，以作為雙向固定效應(yīng)模型估計(jì)結(jié)果的穩(wěn)健性證據(jù)。不難發(fā)現(xiàn)，列（1）與列（2）展示的估計(jì)結(jié)果基本一致。

表7種植業(yè)碳排放強(qiáng)度影響因素回歸結(jié)果

注： ^**Plt;0.05 ，*** Plt;0.01 ；括號(hào)內(nèi)數(shù)值為標(biāo)準(zhǔn)誤。

具體而言，種植結(jié)構(gòu)、農(nóng)業(yè)機(jī)械化水平對(duì)種植業(yè)碳排放強(qiáng)度表現(xiàn)出了顯著的正向影響。可能的解釋是，一方面，糧食作物的生產(chǎn)對(duì)化肥、農(nóng)藥、農(nóng)膜等農(nóng)資以及農(nóng)業(yè)能源的依賴程度較高；另一方面，同等面積下糧食種植的經(jīng)濟(jì)效益通常會(huì)低于經(jīng)濟(jì)作物種植，故而，糧食播種面積占比的提高可能會(huì)增加碳排放且減少經(jīng)濟(jì)產(chǎn)出，使得碳排放強(qiáng)度提升。農(nóng)業(yè)機(jī)械化水平的提升反映了機(jī)械在農(nóng)業(yè)生產(chǎn)中的應(yīng)用越來越普遍，雖對(duì)勞動(dòng)力形成了替代效應(yīng)，但客觀上也增加了農(nóng)業(yè)能源利用，導(dǎo)致碳排放量上升；當(dāng)前我國(guó)農(nóng)業(yè)仍以小農(nóng)經(jīng)濟(jì)為主，規(guī)模效應(yīng)較難體現(xiàn)，致使機(jī)械化水平的提升并未帶來農(nóng)業(yè)產(chǎn)出的大幅增加，故而，農(nóng)業(yè)機(jī)械化水平的提升會(huì)導(dǎo)致種植業(yè)碳排放強(qiáng)度的增加。

農(nóng)業(yè)生產(chǎn)力水平、城鎮(zhèn)化水平和土地流轉(zhuǎn)水平均與種植業(yè)碳排放強(qiáng)度呈現(xiàn)顯著的負(fù)相關(guān)關(guān)系。可能的原因是，較高的農(nóng)業(yè)生產(chǎn)力水平一定程度上可以反映農(nóng)業(yè)在當(dāng)?shù)卣加休^為重要的地位，務(wù)農(nóng)者重視農(nóng)業(yè)生產(chǎn)并努力提高生產(chǎn)效率，同等農(nóng)用物資投入下能獲取更高收益，從而客觀上降低了種植業(yè)碳排放強(qiáng)度。城鎮(zhèn)化水平的提升通常意味著農(nóng)村人口的減少，大量人口涌向城市，在這過程中耕地或由村集體收回實(shí)施二次分配或由原承包者轉(zhuǎn)租他人，但無論哪種情形均有助于農(nóng)業(yè)生產(chǎn)規(guī)模化的逐步形成，進(jìn)而促使單位產(chǎn)出的農(nóng)用物資投入減少，種植業(yè)碳排放強(qiáng)度下降。農(nóng)村中的土地流轉(zhuǎn)主要存在于種糧大戶或經(jīng)濟(jì)作物種植戶中，其中前者實(shí)現(xiàn)了規(guī)模經(jīng)濟(jì)，后者在同等面積下經(jīng)濟(jì)產(chǎn)出水平更高。在農(nóng)用物資投入減少或者不變的前提下，以上兩類情形均能顯著降低種植業(yè)碳排放強(qiáng)度。

種植業(yè)規(guī)模與農(nóng)村人力資本水平對(duì)應(yīng)系數(shù)為負(fù)，但并不顯著。可能的原因是：種植業(yè)規(guī)模與農(nóng)村人力資本對(duì)種植業(yè)碳排放的影響可能是通過調(diào)整種植結(jié)構(gòu)、促進(jìn)農(nóng)地流轉(zhuǎn)等路徑實(shí)現(xiàn)的，而本研究在討論種植業(yè)規(guī)模和農(nóng)村人力資本水平與種植業(yè)碳排放強(qiáng)度關(guān)系時(shí)對(duì)部分可能的路徑進(jìn)行了控制，即回歸結(jié)果反映的是在種植結(jié)構(gòu)、農(nóng)地流轉(zhuǎn)水平等條件不變的情況下種植業(yè)規(guī)模（或農(nóng)村人力資本水平）對(duì)種植業(yè)碳排放強(qiáng)度的影響，這可能導(dǎo)致種植業(yè)規(guī)模與農(nóng)村人力資本水平對(duì)應(yīng)系數(shù)在統(tǒng)計(jì)上并不顯著。

4研究結(jié)論與啟示

本研究在對(duì)中國(guó)種植業(yè)碳排放進(jìn)行再測(cè)算并分析其時(shí)空特征的基礎(chǔ)上，進(jìn)一步探討了種植業(yè)碳排放強(qiáng)度的空間關(guān)聯(lián)性與影響因素，主要研究結(jié)論如下。

第一，中國(guó)種植業(yè)碳排放總量整體略有上升而碳排放強(qiáng)度一直處于下降趨勢(shì)。2022年中國(guó)種植業(yè)碳排放總量為54859.24萬t，較2005年增加了 7.16% 。從演變軌跡來看，中國(guó)種植業(yè)碳排放總量表現(xiàn)出了“先增后減”的兩階段特征，而碳排放強(qiáng)度則始終處于下降態(tài)勢(shì)，僅年際降幅存在差別。從其結(jié)構(gòu)特征來看，農(nóng)用物資投入與水稻種植碳排放一直占比較高，而農(nóng)業(yè)能源碳排放雖占比最低，但在考察期內(nèi)份額提升幅度最大。

第二，種植業(yè)碳排放在總量、強(qiáng)度以及結(jié)構(gòu)方面均存在明顯的省際差異。具體而言，2022年種植業(yè)碳排放總量湖南居于第一而青海排在最后，種植業(yè)碳排放強(qiáng)度江西排在第一而青海居末；省域種植業(yè)碳排放總量及強(qiáng)度在總體上均呈現(xiàn)“南方高、北方低”的分布格局。各地區(qū)種植業(yè)碳排放結(jié)構(gòu)大致可分為農(nóng)資投入驅(qū)動(dòng)型、水稻種植驅(qū)動(dòng)型、雙因素驅(qū)動(dòng)型和均衡型4種類型。

第三，中國(guó)種植業(yè)碳排放強(qiáng)度表現(xiàn)出了明顯的空間依賴性與空間異質(zhì)性。2005一2022年，中國(guó)種植業(yè)碳排放強(qiáng)度一直存在明顯的空間依賴性。同時(shí)，局部莫蘭指數(shù)結(jié)果顯示，整個(gè)考察期內(nèi)多數(shù)省份表現(xiàn)出了高-高集聚或低-低集聚的特征，整體空間集聚特征正逐步由兩極分化演變?yōu)橐缘?低集聚為主。

第四，種植業(yè)碳排放強(qiáng)度的變化受多個(gè)因素的共同影響。具體而言，種植結(jié)構(gòu)、農(nóng)業(yè)機(jī)械化水平對(duì)種植業(yè)碳排放強(qiáng)度表現(xiàn)出了顯著的正向影響。農(nóng)業(yè)生產(chǎn)力水平、城鎮(zhèn)化水平和土地流轉(zhuǎn)水平則均表現(xiàn)出了顯著的負(fù)向影響。

基于以上發(fā)現(xiàn)，本研究得到如下政策啟示：第一，不斷強(qiáng)化農(nóng)用物資減量使用，持續(xù)推進(jìn)種植業(yè)綠色低碳生產(chǎn)。鑒于農(nóng)用物資投入碳排放在種植業(yè)碳排放中占比較高且我國(guó)單位面積農(nóng)地化肥、農(nóng)藥及農(nóng)膜使用量均偏高的現(xiàn)實(shí)境況，未來應(yīng)適度增加對(duì)低碳農(nóng)業(yè)技術(shù)（如生物農(nóng)藥、有機(jī)肥料、節(jié)水灌溉技術(shù)等）的研發(fā)投入，同時(shí)通過財(cái)政補(bǔ)貼或稅收優(yōu)惠等措施鼓勵(lì)農(nóng)民采用低碳農(nóng)業(yè)技術(shù)和設(shè)備，有計(jì)劃地推進(jìn)種植業(yè)綠色低碳生產(chǎn)。第二，積極優(yōu)化農(nóng)作物種植結(jié)構(gòu)，切實(shí)保障農(nóng)產(chǎn)品充分供給。基于水稻種植碳排放占比較高，同時(shí)糧食作物碳排放強(qiáng)度高于經(jīng)濟(jì)作物碳排放強(qiáng)度的現(xiàn)實(shí)情況，可以考慮對(duì)我國(guó)整體種植布局進(jìn)行適度調(diào)整。實(shí)踐中，可以充分利用不同地區(qū)、不同生長(zhǎng)周期下水稻種植甲烷排放水平存在較大差異這一特性，嘗試推廣間歇性灌溉技術(shù)，減少稻田的淹水時(shí)間，控制稻田甲烷排放，但在調(diào)整過程中必須確保稻米的充分供給。第三，注重低能耗農(nóng)用機(jī)械的研發(fā)與推廣，多措并舉促進(jìn)節(jié)能減排技術(shù)的運(yùn)用。當(dāng)前，隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展與農(nóng)業(yè)生產(chǎn)力水平的不斷提升，農(nóng)用機(jī)械已被廣泛應(yīng)用到種植業(yè)生產(chǎn)中，故而今后應(yīng)進(jìn)一步強(qiáng)化低能耗農(nóng)用機(jī)械與農(nóng)業(yè)技術(shù)的研發(fā)，同時(shí)通過補(bǔ)貼、獎(jiǎng)勵(lì)、示范等方式激勵(lì)各類農(nóng)業(yè)生產(chǎn)主體購買節(jié)能農(nóng)機(jī)具并廣泛運(yùn)用農(nóng)業(yè)低碳生產(chǎn)技術(shù)。第四，穩(wěn)妥推進(jìn)農(nóng)村土地流轉(zhuǎn)，不斷優(yōu)化土地二次分配。農(nóng)村土地流轉(zhuǎn)規(guī)模的擴(kuò)大有助于資本的介入以及各類種植大戶的培育，而農(nóng)村居民進(jìn)城很多時(shí)候伴隨著棄耕或擢荒。在此背景下，政府部門應(yīng)穩(wěn)妥推進(jìn)農(nóng)村土地流轉(zhuǎn)，特別是對(duì)于資本的進(jìn)入要仔細(xì)甄別；村集體在行使土地二次分配權(quán)時(shí)應(yīng)多方考慮，在保障公平的前提下必須確保效率。

參考文獻(xiàn)

[1」石玉塬，學(xué)團(tuán)勝.陜四省種植業(yè)生廣過程中恢排放的估昇［J].貴州農(nóng)業(yè)科學(xué)，2013，41（12）：194-198.

[2]田云，張俊飚，豐軍輝，等.中國(guó)種植業(yè)碳排放與其產(chǎn)業(yè)發(fā)展關(guān)系的研究[J].長(zhǎng)江流域資源與環(huán)境，2014，23（6）：781-791.

[3]胡婉玲，張金鑫，王紅玲.中國(guó)種植業(yè)碳排放時(shí)空分異研究[J].統(tǒng)計(jì)與決策，2020，36（15）：92-95.

[4]郭旋，張良茂，胡榮桂，等.華中地區(qū)種植業(yè)生產(chǎn)碳排放驅(qū)動(dòng)因素分析[J].長(zhǎng)江流域資源與環(huán)境，2016，25（5）：695-701.

[5]杜江，羅珺，王銳，等．糧食主產(chǎn)區(qū)種植業(yè)碳功能測(cè)算與時(shí)空變化規(guī)律研究[J].生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)，2019，35（10）：1242-1251.

[6]丁寶根，楊樹旺，趙玉.長(zhǎng)江經(jīng)濟(jì)帶種植業(yè)碳排放時(shí)空特征及驅(qū)動(dòng)因素研究[J].生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)，2019，35（10）：1252-1258.

[7]LIC，JIAJW，WUF，etal.County-level intensity of carbon emis-sions from crop farming in China during 200O—2O19[J].Scientificdata，2024，11（1）：457.

[8]吳昊玥，何宇，黃瀚蛟，等.中國(guó)種植業(yè)碳補(bǔ)償率測(cè)算及空間收斂性[J].中國(guó)人口·資源與環(huán)境，2021，31（6）：113-123.

[9]伍國(guó)勇，陳瑩，孫小鈞.中國(guó)種植業(yè)碳補(bǔ)償率區(qū)域差異、動(dòng)態(tài)演進(jìn)及收斂性分析[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)（中英文），2021，29（10）：1774-1785.

[10]董蕊，伍國(guó)勇，高強(qiáng).中國(guó)種植業(yè)碳補(bǔ)償率時(shí)空演變與發(fā)展?jié)摿J].長(zhǎng)江流域資源與環(huán)境，2024，33（2）：409-423.

[11]LIYL，YIFJ，YUANCJ.Influences of large-scale farming oncarbon emissions from cropping：evidence from China[J]. Journalof integrative agriculture，2023，22（10）：3209-3219.

[12]SHAO SA，QIAO HW. Impact of temperature extremes on car-bon emissions from crop production in Hebei province，China[J].Atmosphere，2023，14（7）：1179.

[13]WANG R X，CHEN JC，LI Z H，et al. Factors analysis for thedecoupling of grain production and carbon emissions from cropplanting in China：a discussion on the regulating effcts of plant-ing scaleand technological progress[J].Environmental impact as-sessment review[J].2023，103：107249.

[14]陳衛(wèi)洪，耿芳艷，張宏勝.數(shù)字經(jīng)濟(jì)發(fā)展對(duì)種植業(yè)碳排放效率的影響研究：基于中介和門檻效應(yīng)的實(shí)證檢驗(yàn)[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)（中英文），2024，32（6）：919-931.

[15］黃杰，孫自敏.中國(guó)種植業(yè)碳生產(chǎn)率的區(qū)域差異及分布動(dòng)態(tài)演進(jìn)[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2022（7）：109-127.

[16］吉雪強(qiáng)，張躍松.長(zhǎng)江經(jīng)濟(jì)帶種植業(yè)碳排放效率空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)及動(dòng)因[J].自然資源學(xué)報(bào)，2023，38（3）：675-693.

[17］田云，李波，張俊飚.我國(guó)農(nóng)地利用碳排放的階段特征及因素分解研究[J].中國(guó)地質(zhì)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011，11（1）：59-63.

[18]閔繼勝，胡浩.中國(guó)農(nóng)業(yè)生產(chǎn)溫室氣體排放量的測(cè)算[J].中國(guó)人口·資源與環(huán)境，2012，22（7）：21-27.

[19]蔣金荷.中國(guó)城鎮(zhèn)住宅碳排放強(qiáng)度分析和用能政策反思[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2015，32（6）：90-104.空間溢出效應(yīng)[J].中國(guó)農(nóng)村經(jīng)濟(jì)，2022（3）：104-127.

[21]田云，尹昊，張蕙杰.我國(guó)農(nóng)村能源碳排放時(shí)空格局、影響因素及空間溢出效應(yīng)[J].中國(guó)農(nóng)業(yè)科學(xué)，2023，56（13）：2547-2562.

[22]計(jì)小青，常百舒，王亞東.中國(guó)農(nóng)村金融發(fā)展的時(shí)空特征及影響因素分析[J].農(nóng)村金融研究，2023（9）：3-19

[23]陳陽，穆懷中.中國(guó)農(nóng)業(yè)生態(tài)效率測(cè)算及影響因素研究[J].統(tǒng)計(jì)與決策，2022，38（23）：101-106.

[24]羅興，徐賢焱，何奇龍，等.縣域數(shù)字普惠金融與數(shù)字鄉(xiāng)村建設(shè)耦合協(xié)調(diào)發(fā)展及其影響因素分析[J].農(nóng)村金融研究，2023（7）：23-37.

[25」溫濤，孫鵬翔，張林.中國(guó)農(nóng)業(yè)碳排放的動(dòng)態(tài)演進(jìn)與區(qū)域格局[J].經(jīng)濟(jì)地理，2024，44（10）：165-175.

Spatio-temporal characteristics，spatial correlation，and influencing factors of China'scropproductioncarbon emissions

LIBei2，TIANYun12，ZHENGJiaxi，2 （1.SchoolofBusinessAdministration，Zhongnan Universityof EconomicsandLaw，Wuhan Hubei43oo73，China; 2.WTO and Hubei DevelopmentResearch Center，Zhongnan UniversityofEconomics andLaw，Wuhan Hubei430o73，China）

AbstractTheagriculturalsectorisasignificantsourceofgreehousegasemisions.Conductinganin-depthanalysisofthecurent situationofcropproductiocarbonmisiosiCnaandthiriflueningfactorsisucialforforulatingefetieagilualissionreductionpoliciesandachievingthe“dualcarbon”goalsinatimelymanner.Thisstudyexaminedtheperiodfrom20o5to2022 and，basedoneasremtofoproucticabosiosinindtsprovcesplodthsatialoelationdinfluencing factors using the Moran index and the fixed effects model. The results showed that： ① From 2005 to 2022，China's total amountofcropproductioncarbonemissonsexbitedan“increasingandtendecliing”pate，altoughdemostratinglghtoverallicrease.Teoprductionboeissonitesityemosatedonsistetdowardend，withatiosintteof cline observed across different years. ② In 2022，the carbon emissions and intensity of crop production showed significant inter-provincialdiferences.eprovcialdistributionofcarbnemissiosanditesityofopproductiodemostratda“ighintesouthnd lowinthenorth”spatialpatern.Regionalcropproductioncarbonemissonswerecharacterizedbyfourtypicalcategories：agicultural input-driven，rice cultivation-driven，dual-factor-driven，and balanced-driven. ③ During the study period， there was a pronounced spatialcorelationinopproductoncrbonmissositesitycrossCinahoverallspatialaglomrationcharacteristisadualy evolvedfromthepolarized high-highandlow-lowagglomerationtoapredominantlow-lowagglomerationpattern. ④ Crop structure and agriculturalmechanizationlevelsshowedasignificantpositiveimpactoncropproductioncarbonemissionintensitywhileagricultural productivityrbanzationndlandtaserevelsemostratedsigniicantgatieimpactasedoesedings，issdpr posesthat weshouldcontinuouslyreducethuseofagricultural materials，activelyoptimizecropplantingstructures，vigorouslyresearch，developndpromotelowonsumptiongriculturalachineryndsteadilypromoterurallandtransfersostoomoteop production carbon emission reduction.

Keywordsagriculturalcarbonemision;cropproductioncarbonemision;spatio-temporalcharacterstic;spatialcorelation

（責(zé)任編輯：劉照勝）